Linguaggio, computer vision, audio, multimodale
Il team Robbyant presenta la seconda versione del suo modello visione-linguaggio-azione per robot, e punta tutto su tre mosse pratiche:…
Tsinghua e Shengshu Technology descrivono un modello che genera un personaggio parlante in tempo reale, a 540p e 42 fotogrammi…
Un ricercatore indipendente porta la predizione delle relazioni visive dove rilevamento e segmentazione sono già arrivati: il vocabolario diventa un…
Mentre la ricostruzione 3D in streaming si riempie di memorie a lungo raggio sempre più elaborate, il laboratorio AMAP di…
Un gruppo di NTU e NUS propone una memoria pensata per i modelli che parlano: un emisfero per i fatti,…
Lo Shanghai AI Laboratory non tocca una riga dell'architettura di MinerU2.5 e rifà tutto il resto: da meno di 10…
Il gruppo PaddleOCR di Baidu smette di far trascrivere la pagina a un modello in un'unica fila di token: un…
Un world model video genera il mondo mentre lo esplori, ma quando giri la testa e torni indietro spesso trova…
Baidu riparte da DeepSeek-OCR e cambia una cosa sola: ogni token che il modello scrive guarda tutta la pagina ma…
I generatori video producono fotogrammi belli che non stanno insieme come scena. Un gruppo di HKUST e Tencent ARC Lab…
